CacPred:用于TF-DNA结合预测的级联卷积神经网络.
Shuangquan Zhang1,2, Anjun Ma3, Xuping Xie2
1School of Cyber Science and Engineering, Nanjing University of Science and Technology, Nanjing, 210094, China.
BMC genomics
|March 19, 2025
概括
一个新的模型,CacPred,增强了转录因子-DNA结合预测的准确性. 这种深度学习方法通过有效地学习序列特征,优于ChIP-seq和ChIP-nexus数据集的现有方法.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 转录因子 (TFs) 通过DNA结合来调节基因表达.
- 识别TF结合位点 (TFBS) 和cis调节动机对于理解基因调节至关重要.
- 现有的深度学习 (DL) 模型,包括卷积神经网络 (CNN),显示出希望,但需要提高TF-DNA结合预测的准确性.
研究的目的:
- 开发和评估一种名为CacPred的新型级联卷积神经网络 (CNN) 模型,用于增强TF-DNA结合预测.
- 探索卷积运算在TF-DNA结合预测中的作用,并将CacPred与现有的DL方法进行比较.
- 评估CacPred在各种数据集上的表现,包括染色体免疫沉测序 (ChIP-seq) 和ChIP-nexus.
主要方法:
- 开发了CacPred,这是一个级CNN模型,专门用于TF-DNA结合预测.
- 使用790个ChIP-seq和7个ChIP-nexus数据集验证CacPred.
- 使用九个标准评估指标,对CacPred与六个已建立的DL模型进行比较分析.
主要成果:
- 在ChIP-seq和ChIP-nexus数据集上,CacPred在9个评估指标中显著超过了所有比较模型.
- 观察到准确度 (ACC),马修斯相关系数 (MCC) 和八大指标雷达面积 (AEMR) 的平均改善:ChIP-seq数据的3.3%,9.2%和6.4%,ChIP-nexus数据的5.5%,16.8%和12.9%,分别.
- 对学习特征的分析显示,CacPred有效地识别了重要的动机,这表明它有能力捕获必要的序列信息.
结论:
- 与现有模型相比,CacPred在TF-DNA结合预测方面表现优异,特别是在ChIP-seq数据上.
- 该模型仅依赖卷积算法,没有聚合,这表明聚合可能导致关键序列信息的丢失.
- CacPred被提出为一种有效,可行的,公开可用的工具,用于TF-DNA结合预测.


